Analisis RFM dan Algoritma K-Means untuk Clustering Loyalitas Customer

Abstract

Bagi sebuah perusahaan loyalitas customer menjadi hal yang sangat penting untuk diketahui. Pemahaman yang baik terhadap customer dapat digunakan untuk menentukan customer yang potensial atau pun yang tidak potensial. Customer potensial adalah customer yan memiliki tingkat kepuasan yang tinggi dengan frekwensi dan nilai permintaan yang tinggi pula. Kepuasan customer dapat terjadi apabila harapan, kebutuhan dan keinginan customer dapat dipenuhi sehingga akan selalu melakukan pembelian secara terus menerus yang pada akhirnya meningkatkan omzet perusahaan. Pada umumnya untuk menghasilkan clustering yang baik metode yang sering digunakan adalah metode analisis RFM (Recency, Frequency, Monetary). RFM sendiri adalah sebuah metode analisis yang cukup terkenal dan sering digunakan dalam strategi pemasaran melalui pendekatan CRM (Customer Relationship Managemen. RFM menghendaki penilaian loyalitas tidak hanya dipandang dari besarnya nilai pembelian (monetary) yang dilakukan oleh customer tetapi juga melibatkan tingkat keseringan (frequency) dan waktu terakhir (recency) seorang customer melakukan transaksi. Dataset yang dihasilkan dikelompokkan (clustering) menggunakan algoritma K-Means dengan 5 tingkat loyalitas yakni Sangat Loyal, Cukup Loyal, Biasa, Kurang Loyal, Tidak Loyal. Untuk uji validitas digunakan Davies-Bouldin Index. Nilai DBI yang dihasilkan dari clustering customer sebesar 0.79074. Dari nilai DBI tersebut dapat disimpulkan bahwa kualitas cluster yang dihasilkan memiliki kulaitas yang cukup baik.

Cite this work

No public copy is stored for this record, so only the metadata is cited.

Stored only when both papers are in the corpus — 11 citations exist upstream.